40年代電子計算機發(fā)明以后逐漸發(fā)展起來的

1、.：.；現(xiàn)代方式識別是在 20 世紀 40 年代電子計算機發(fā)明以后逐漸開展起來的。 在更早的時候，已有用光學和機械手段實現(xiàn)方式識別的例子，如在 1929 年 GustavTauschek 就在德國獲得了光學字符識別專利。作為統(tǒng)計方式識別根底的多元統(tǒng)計分析和鑒別分析也在電子計算機出現(xiàn)之前提出來了。1957 年 IBM 的 C.K.Chow 將統(tǒng)計決策方法用于字符識別。然而，“方式識別這個詞被廣泛運用并構(gòu)成一個領(lǐng)域是在 20 世紀 60 年代以后。方式識別問題指的是對一系列過程或事件的分類與描畫，具有某些相類似的性質(zhì)的過程或事件就分為一類。目前方式識別問題普通可以運用以下 4 種方法進展分析處置：

2、統(tǒng)計方式識別方法、句法方式識別、人工神經(jīng)網(wǎng)絡方式識別、模糊方式識別。方式識別曾經(jīng)在天氣預告、衛(wèi)星航空圖片解釋、工業(yè)產(chǎn)品檢測、字符識別、語音識別、指紋識別、醫(yī)學圖像分析等許多方面得到了勝利的運用。一切這些運用都是和問題的性質(zhì)親密不可分的，至今還沒有開展成一致的、有效的可運用于一切的方式識別的實際。當前的一種普遍看法是不存在對一切的方式識別問題都運用的單一模型和處理識別問題的單一技術(shù)，我們?nèi)缃駬碛械氖且粋€工具袋，我們所要做的是結(jié)合詳細問題把統(tǒng)計的和句法構(gòu)造的識別方法結(jié)合起來，把統(tǒng)計方式識別或句法方式識別與人工智能中的啟發(fā)式搜索結(jié)合起來，把人工神經(jīng)元網(wǎng)絡與各種以有技術(shù)以及人工智能中的專家系統(tǒng)，不確定

3、方法結(jié)合起來，深化掌握各種工具的效能和運用的能夠性，相互取長補短，開創(chuàng)方式識別運用的新局面。2.3圖像方式識別2.3.1圖像方式識別的根本概念圖像在人類的感知中扮演著非常重要的角色，人類隨時隨處都要接觸圖像。據(jù)統(tǒng)計，在人類接受的信息中，視覺信息占了 70%以上，也就是常說的“百聞不如一見 。在許多場所，圖像所傳送的信息比其他任何方式的信息更加豐富和逼真。隨著數(shù)字圖像技術(shù)的開展和實踐運用的需求，出現(xiàn)了另一類問題，就是不要求其結(jié)果輸出是一幅完好的圖像，而是將經(jīng)過圖像處置后的圖像，再經(jīng)過分割和描畫提取有效的特征，進而加以判決分類，這就是近 20 年來開展起來的一門新興技術(shù)科學圖像識別。它以研討某些對

4、象或過程的分類與描畫為主要內(nèi)容，以研制可以自動處置某些信息的機器視覺系統(tǒng)，替代傳統(tǒng)的人工完成分類和辨識的義務為目的。例如要從遙感圖像中分割出各種農(nóng)作物、森林資源和礦產(chǎn)資源等；根據(jù)醫(yī)學圖片分析發(fā)生病變的細胞外形和顏色判別能否發(fā)生癌變；從氣候觀測數(shù)據(jù)或氣候衛(wèi)星照片準確預告天氣；交通管理系統(tǒng)中運用車牌自動識別技術(shù)管理車輛等。因此，在當今社會，圖像識別技術(shù)曾經(jīng)在各個領(lǐng)域發(fā)揚著極其重要的作用。圖像識別，簡單地說，就是要把一種研討對象，根據(jù)其某些特征進展識別并分類。例如要識別寫在卡片上的數(shù)字，判別它是 0，1，2，9 中的哪個數(shù)字，就是將數(shù)字圖像分成 10 類的問題，因此可以以為，對數(shù)字圖像進展區(qū)別分類其

5、本質(zhì)就是對圖像進展方式識別。這種識別早已存在人們的生活實際中。然而，隨著實際活動的擴展、深化和社會化的需求，人們不僅需求識別分類數(shù)很多的事物，而且被識別的對象內(nèi)容也越來越復雜。特別是由于科學技術(shù)程度的提高，使得各種不同的研討對象“圖像化或“數(shù)字化 ，可采用某種技術(shù)把調(diào)查的對象轉(zhuǎn)換成圖片、波形圖以及假設干數(shù)據(jù)，這些數(shù)據(jù)就可以代表所研討的對象。但是對于方式識別來說，無論是數(shù)據(jù)、信號還是平面圖像或立體景物都是除掉它們的物理內(nèi)容而找出它們的共性，把具有同一共性的歸為一類，而具有另一種共性者歸為另一類。圖像方式識別是用機器對文字、 圖像、 圖片和景物等方式信息加以處置和識別，用以處理計算機與外部環(huán)境直接

6、通訊這一重要問題。其目的就是研制采用某種儀器或設備，自動處置某些信息，替代人完成分類和辨識的義務，并且可以快速而準確地進展圖形識別。普通來說，一個圖像識別由圖像預處置、圖像特征提取和圖像方式分類三個主要部分組成。前期處置普通是指把圖像進展平滑、加強、恢復、邊緣檢測和分割等操作，其目的是把輸入圖像簡化為分段方式。特征提取是指在滿足分類識別正確率要求的條件下，提取圖像的主要特征，并按某種準那么盡量選用對正確分類識別作用大得特征，使得用較少的特征就能完成分類識別義務。圖像方式分類是最重要的一部分，它是根據(jù)所提取的特征，將前一部分的特征向量空間映射到類型空間，把相應圖像歸屬知的一類方式。2.3.2圖像

7、方式識別的根本方法一個圖像識別系統(tǒng)主要由三個環(huán)節(jié)組成： 圖像數(shù)據(jù)獲取， 數(shù)據(jù)加工和處置、 抽取特征，判別分類等，如圖 2-2 所示。圖 2-2 圖像識別系統(tǒng)框圖下面簡單對這幾個環(huán)節(jié)作以闡明：1、數(shù)據(jù)獲取 現(xiàn)實的模擬數(shù)據(jù)，如圖片、照片、圖像和景物等由一個傳感器如掃描儀、機、數(shù)字攝像機、數(shù)碼相機傳入，然后被轉(zhuǎn)換成適宜計算機處置的方式，即將物理量變成一組丈量值。2、 數(shù)據(jù)處置 數(shù)據(jù)處置包括預處置、 特征籠統(tǒng)和特征選擇。 預處置技術(shù)包括各種圖像處置技術(shù)，其目的是改善圖像質(zhì)量，清楚圖像中的噪聲，減輕或消除因傳感器與傳輸介質(zhì)本身不完善而引起的退化景象，便于機器分析處置等。特征抽取就是從圖像中提取一組反映圖

8、像特性的根本元素或數(shù)字值。特征選擇那么是從曾經(jīng)抽取的特征中選擇可以更好地完成分類識別義務的特征來表示原圖像。3、 判別分類 判別分類就是采用一定的準那么或機制建立分類規(guī)那么， 并用它們對未知圖像方式進展分類識別。用于處理圖像識別的方法概括起來可分為統(tǒng)計方式識別、 構(gòu)造方式識別、模糊圖像識別和智能方式識別 主要是人工神經(jīng)網(wǎng)絡方式識別 4 類， 前兩類方法有長遠的歷史，開展較為成熟，對處理相應領(lǐng)域中的方式識別問題均有明顯的效果，是方式識別分類的經(jīng)典與根底性技術(shù)。 20 世紀 80 年代新興的人工神經(jīng)網(wǎng)絡，作以一種廣義的智能方式識別法，更以嶄新的姿態(tài)，以其全局相關(guān)的特征，在方式識別領(lǐng)域獲得了許多傳統(tǒng)

9、方法所難到達的成就，下面分別作以引見：1、統(tǒng)計圖像識別：統(tǒng)計圖像識別是以概率實際為根底的，方式用特征向量描畫，找出決策函數(shù)進展方式?jīng)Q策分類。其根本思想是：無論輸入的對象是什么，它都表示為一個數(shù)組。這數(shù)組不是恣意的，而是適中選擇的、對原始數(shù)據(jù)進展各種丈量的結(jié)果。統(tǒng)計圖像識別的大致過程如圖 2-3 所示。圖 2-3統(tǒng)計圖像識別系統(tǒng)構(gòu)造圖圖中的上半部分是識別部分， 即對未知類別的圖像進展分類； 下半部分是分析部分，即由知類別的訓練樣本求出判別函數(shù)及判別規(guī)那么，進而用來對未知類別的圖像進展分類?？驁D右下角部分是自順應處置部分，當用訓練樣本根據(jù)某些規(guī)那么求出一些判別規(guī)那么后，再對這些訓練樣本逐個進展檢測

10、，察看能否有誤差。這樣不斷改良判別規(guī)那么，直到滿足條件為止。2、構(gòu)造圖像識別：構(gòu)造方式識別是按方式本身的構(gòu)造和構(gòu)造關(guān)系對物體進展識別的方法。由于它是將現(xiàn)代自然言語分析的方式言語實際句子分解為各種詞類，如名詞、動詞、副詞等用于方式識別，所以又稱為句法方式識別。其根本思想是：一個復雜的方式可以由一個簡單的方式遞歸地描畫。換言之，對于每個復雜的方式，可以用一些較簡單的子方式來描畫，而每一個比較簡單的子方式再用一些更為簡單的子方式來描畫，最后用一些最簡單的方式基元來表示。句法方式識別框圖如圖 2-4 所示。圖中的上半部分是識別階段， 即對未知類別的樣本進展句法分析并輸出分類結(jié)果，同時輸出待識別樣本的構(gòu)

11、造描畫；下半部分是分析階段，用一些知構(gòu)造信息的方式樣本構(gòu)造出一些文法規(guī)那么，以便用這些文法對描畫未知方式的句子進展句法分析。圖 2-4 句法方式識別系統(tǒng)構(gòu)造圖3、模糊方式識別：模糊方式識別是模糊集實際在方式識別中的運用。人對客觀事物的認識帶有模糊性，如通常所說的高矮、胖瘦，青年、老年，溫暖和猛烈等都帶有模糊性的言語，人類利用這些模糊言語進展交流，并經(jīng)過大腦分析和決策。模糊數(shù)學就是研討如何利用模糊信息對確定事物進展定量分析。因此，將模糊集實際用于方式識別系統(tǒng)，利用模糊信息進展方式?jīng)Q策分析，使計算機帶有接近人類的智能，這是非常重要的研討課題。模糊識別的主要方法有最大隸屬原那么識別法、接近原那么識別

12、法和模糊聚類分析法。4、人工神經(jīng)網(wǎng)絡圖像方式識別：人工神經(jīng)網(wǎng)絡的研討來源于對生物神經(jīng)系統(tǒng)的研討。人工神經(jīng)網(wǎng)絡區(qū)別于其他識別方法的最大特點是它對待識別的對象不要求有太多的分析與了解，具有一定的智能化處置的特點。神經(jīng)網(wǎng)絡分類器是一種智能化方式識別系統(tǒng)，雖然神經(jīng)網(wǎng)絡的設計和實現(xiàn)依賴與閱歷，泛化性能不能確保最優(yōu)，但是它可以加強系統(tǒng)的學習才干、自順應才干和容錯性，具有很強的開展運用前景。神經(jīng)網(wǎng)絡在圖像識別中的運用按處置數(shù)據(jù)類型大致可以分為兩類：一類是基于圖像像素數(shù)據(jù)的神經(jīng)網(wǎng)絡算法；另一類是基于圖像特征數(shù)據(jù)的神經(jīng)網(wǎng)絡算法即特征空間的聚類識別算法?；趫D像像素數(shù)據(jù)的神經(jīng)網(wǎng)絡識別技術(shù)，是用高維的原始圖像數(shù)據(jù)作

13、為神經(jīng)網(wǎng)絡的訓練樣本。目前很多神經(jīng)網(wǎng)絡算法是基于像素進展圖像識別的，其圖像識別的流程圖如圖 2-5所示。圖 2-5 基于圖像特征數(shù)據(jù)的神經(jīng)網(wǎng)絡圖像識別流程圖基于圖像特征數(shù)據(jù)的神經(jīng)網(wǎng)絡的圖像識別技術(shù)是用圖像的特征數(shù)據(jù)作為神經(jīng)網(wǎng)絡的訓練樣本。此類技術(shù)中，神經(jīng)網(wǎng)絡作為特征聚類器，有很多的神經(jīng)網(wǎng)絡別研討人員運用，如 BP 神經(jīng)網(wǎng)絡、模糊神經(jīng)網(wǎng)絡、Hopfield 神經(jīng)網(wǎng)絡、RAM 自順應神經(jīng)網(wǎng)絡、SOFM 神經(jīng)網(wǎng)絡、細胞神經(jīng)網(wǎng)絡等。其圖像識別的流程圖如圖 2-6所示。此類技術(shù)實踐上是傳統(tǒng)方法與神經(jīng)網(wǎng)絡技術(shù)的結(jié)合，它利用人的閱歷來獲取方式特征以及神經(jīng)網(wǎng)絡分類才干來識別目的函數(shù)。其圖像識別的關(guān)鍵是圖像的特

14、征提取必需反映整個圖像的特征。圖 2-6基于圖像特征數(shù)據(jù)的神經(jīng)網(wǎng)絡圖像識別流程圖 第三章 各類算法的比較3.1 基于模板匹配的方式識別分類算法3.1.1 模板匹配的根本概念模板就是一幅知的小圖像。模板匹配就是在一幅大圖像中搜索目的，知該圖中有要找的目的，且該目的同模板有一樣的尺寸、方向和圖像，經(jīng)過一定的算法可以在圖中找到目的，確定其坐標位置。以8位圖像(其 1 個像素由 1 個字節(jié)描畫)為例，模板T( H W個像素)疊放在被搜索圖S( mn個像素)上平移，模板覆蓋被搜索圖的那塊區(qū)域叫子圖Sij。i，j為子圖左上角在被搜索圖S上的坐標。搜索范圍是：1 i W M 1 j H N 經(jīng)過比較T和Si

15、j的類似性，完成模板匹配過程。留意：圖像的數(shù)據(jù)是從下到上、從左到右陳列的。知原始圖像S(H, W)和模板Tm, n如以下圖所示: 被搜索圖 模板可以用下式衡量T和Sij類似性：當模板和子圖完全一樣時，相關(guān)系數(shù)R( i, j ) = 1。在被搜索圖S中完成全部搜索后，找出R的最大值Rmax( im, jm )，其對應的子圖Simjm即為匹配目的。顯然，用這種公式做圖像匹配計算量大、速度較慢。另一種算法是衡量T和Sij的誤差，其公式為：E( i, j )為最小值處即為匹配目的。為提高計算速度，取一個誤差閾值E0，當E( i, j ) E0時就停頓該點的計算，繼續(xù)下一點計算。3.1.2模板匹配算法的

16、matlab實現(xiàn)用matlab實現(xiàn)模版匹配的源程序如下：clear all;close all;clc;img=imread(lena.jpg);imshow(img);img=double(img);mask=double(imcrop();m n=size(img);H W=size(mask);if mod(H,2)=1 H=H+1;endif mod(W,2)=1 W=W+1;endmask=imresize(mask,H W);HH=floor(H/2);WW=floor(W/2);imgn=zeros(m+2*HH+1,n+2*WW+1);imgn(HH+1:m+HH,WW+1:n

17、+WW)=img;imgn(1:HH,WW+1:n+WW)=img(1:HH,1:n); imgn(1:m+HH,n+WW+1:n+2*WW+1)=imgn(1:m+HH,n:n+WW);imgn(m+HH+1:m+2*HH+1,WW+1:n+2*WW+1)=imgn(m:m+HH,WW+1:n+2*WW+1);imgn(1:m+2*HH+1,1:WW)=imgn(1:m+2*HH+1,WW+1:2*WW);re=imgn;for i=HH+1:m+HH for j=WW+1:n+WW tmp=imgn(i-HH:i+HH,j-WW:j+WW); re(i,j)=sum(sum(tmp-mas

18、k).2); %最小平方差 endendfigure;re=mat2gray(re(HH+1:m+HH,WW+1:n+WW);imshow(1-re);結(jié)果如下：圖中高亮部分為眼睛所在不部位：3.2基于貝葉斯算法的圖像方式識別分類設計3.2.1貝葉斯算法簡介方式識別分類問題是對待識別的對象提取觀測值，然后根據(jù)觀測值進展分類。首先建立識別對象的訓練集，其中每點的類別知 ，根據(jù)這些條件，建立判別函數(shù)，經(jīng)過現(xiàn)有的樣品估計判別函數(shù)中的參數(shù)，然后用此判別函數(shù)去對類別未知的樣品進展斷定 。 3.2.1.1貝葉斯法那么貝葉斯法那么是對客觀判別的一種修正方法 ，是指當樣本足夠多時 ，樣本概率與總體概率近似 。

19、普通情況下，事件A在事件B的條件下的概率，與事件 B 在事件A條件下的概率不相等 ，然而，這兩者是有確定關(guān)系的，貝葉斯法那么就是這種關(guān)系的描畫 。3.2.1.2 貝葉斯決策貝葉斯法那么只是一種方法 ，是從大的方向上講，要將它細化又可以分為許多的詳細實施的決 策。假設統(tǒng)計知識完好 ，貝葉斯決策實際是一種最優(yōu)分類器。貝葉斯分類器是分類錯誤概率最小或者是平均風險最小的分類器。其設計方法屬 于一種根本的統(tǒng)計分類方法。3.2.1.3基于最小錯誤概率的貝葉斯決策假設每個樣品屬于w1,w2類中的 一類，知兩類的先驗概率分別p(w1),P(w2),兩類的類別密 度函 數(shù)為 P ( Xw1 ),P( Xw2)。

20、那么任給一x，判別x的類別 。由貝葉斯公式可知 由全概率公式 可知：其中M為類別數(shù)。對于兩類問題 ， 所以用后驗概率來判別3.2.2圖像分類識別系統(tǒng)實現(xiàn)3.2.2.1HSV顏色空間HSV顏色空間比較其它的顏色空間更適宜人的視覺特性 。其中包含顏色 H(Hue)、飽和度 S(Saturation)和亮度 V(Value)。顏色 H表示表示光的顏色 ，飽和度S表示光的濃度，亮度v表示光的明暗程度 。在基于內(nèi)容的圖像檢索中，運用這種顏色空 間模型會更適宜用戶的視覺判別 。3.2.2.2顏色空間的量化根據(jù)人 的視覺分辨才干的分 析 ，顏色大致劃分為如下9種 ：紅、黃 、綠、青、藍、紫、黑、灰和白，根據(jù)

21、這九種顏色就可以大致描畫一幅圖像。因此，可以根據(jù)這九種顏色來大致確定圖像的主顏色特征 。3.2.2.3 分塊主色的實現(xiàn)本文對圖像二維空間進展 4 * 4 的劃分。對其中每一個分塊 ，統(tǒng)計出像素最多的那種顏色作為主色 ，建立圖像的顏色特征向量。分塊主色法是統(tǒng)計 圖像每個分塊主色來突出顏 色的空間關(guān)系 ，適用于主題位置相對固定的分類問題 ，對于變化較大的圖像效果會明顯減弱。3.2.2.4主 要MATLAB程序函數(shù)名:bayesleasterror( )參數(shù):sample :待識別圖像特征前往值 :Y:待識別圖像所屬類別函數(shù)功能 ： 最小錯誤概率的貝葉斯分類器function y = bayesle

22、asterror(sample)clc ；load templet pattern ；對圖像庫和待測圖像進展主成分分析pcapat,pcasamp=pcaprO(sample)；temp=0；for i =1:2pattern(i).feature=pcapat(:,temp+1:temp+pattern(i).num) ；temp=temp+pattern(i).num；ends_cov=；s_inv= ；s_det= ；for i=l:2s_cov(i)dat=cov(pattern(i).feature) ； 求個類別的協(xié)方差矩 陣s_inv(i).dat=inv(s_cov(i).da

23、t) ； 求協(xié)方差矩 陣的逆矩陣一s_det(i)=det(s_cov(i).dat) ； 求協(xié)方差矩陣的行列式endsuml=0;p= ；for i=1:2sum1=sum1+pattern(i).num ； 求圖像庫樣 品總數(shù)endfor i=1:2p(i)=pattern(i).numsum1 ； 求類別 的先驗概率endh=； mean_sap =；for i=1:2mean_sap(i).dat=mean(pattern(i).feature) ； 求每類圖像 的特征值end 計算最大的判別函數(shù) for i=1:2h(i)=(pcasamp-mean_sap(i).dat)*S_in

24、v(i).dat*(pcasamp-mean_sap(i).dat)*(-0.5)+log(p(i)+log(abs(s_det(i)*(-0.5);endmaxval maxpos=max(h);y=maxpos;基于神經(jīng)網(wǎng)絡的圖像方式識別分類算法：神經(jīng)網(wǎng)絡的根本概念傳統(tǒng)的圖像識別技術(shù)是基于文本的檢索技術(shù)，它依托人工對圖像進展手工注解，然后根據(jù)關(guān)鍵字對圖像進展識別。人工神經(jīng)網(wǎng)絡Artificial Neural Networks,ANN是在現(xiàn)代神經(jīng)生物學研討根底上提出的模擬生物過程以反映人腦某些特性的計算構(gòu)造。它不是人腦神經(jīng)系統(tǒng)的真實描寫，而只是它的某種籠統(tǒng)、簡化和模擬。神經(jīng)元及其突觸是神經(jīng)

25、網(wǎng)絡的根本器件。因此，模擬生物神經(jīng)網(wǎng)絡應首先模擬生物神經(jīng)元。在人工神經(jīng)網(wǎng)絡中，神經(jīng)元常被稱為“處置單元 。有時從網(wǎng)絡的觀念出發(fā)常把它稱為“節(jié)點 。人工神經(jīng)元是對生物神經(jīng)元的一種方式化描畫，它對生物神經(jīng)元的信息處置過程進展籠統(tǒng)，并用數(shù)學言語予以描畫；對生物神經(jīng)元的構(gòu)造和功能進展模擬，并用模型予以表達。為了模擬生物神經(jīng)元，一個簡化的人工神經(jīng)元如圖 3-1 所示。該神經(jīng)元是一個多輸入單輸出的非線性元件，其輸入輸出關(guān)系可描畫為：圖 3-1 人工神經(jīng)元模型人工神經(jīng)元模型可以看成是由三個根本要素組成：1、 一組銜接權(quán) 對應于生物神經(jīng)元的突觸， 銜接強度由各銜接上的權(quán)值表示，權(quán)值為正表示鼓勵，為負值表示抑制

26、。2、一個求和單元，用于求取各輸入信息的加權(quán)和線性組合。3、一個非線性鼓勵函數(shù)，起非線性映射作用并限制神經(jīng)元輸出幅度在一定的范圍之內(nèi)。此外還有一個閾值。閾值也被看作是一個輸入分量，也就是閾值也是一個權(quán)值。在網(wǎng)絡的設計中，偏向起著重要的作用，它使得激活函數(shù)的圖形可以左右挪動而添加理處理問題的能夠性。通常所說的人工神經(jīng)網(wǎng)絡構(gòu)造，主要指它的銜接方式。人工神經(jīng)網(wǎng)絡模型主要思索網(wǎng)絡銜接的拓撲構(gòu)造、 HYPERLINK baike.baidu/view/36428.htm t _blank 神經(jīng)元的特征、學習規(guī)那么等。目前，已有近40種神經(jīng)網(wǎng)絡模型，其中有反傳網(wǎng)絡、 HYPERLINK baike.bai

27、du/view/238309.htm t _blank 感知器、 HYPERLINK baike.baidu/view/2950587.htm t _blank 自組織映射、Hopfield網(wǎng)絡、波耳茲曼機、順應諧振實際等。根據(jù)銜接的拓撲構(gòu)造，神經(jīng)網(wǎng)絡模型可以分為：前饋型神經(jīng)網(wǎng)絡和反響型網(wǎng)絡。其中典型的前饋型神經(jīng)網(wǎng)絡如BPBack Propagation神經(jīng)網(wǎng)絡，RBFRadical Basis Function神經(jīng)網(wǎng)絡。下面舉例闡明基于BP神經(jīng)網(wǎng)絡的圖像方式識別?；贐P神經(jīng)網(wǎng)絡的圖像方式識別實現(xiàn)BP 神經(jīng)網(wǎng)絡是一種典型的前饋神經(jīng)網(wǎng)絡，其神經(jīng)元的傳送函數(shù)是 S 型函數(shù)，輸出量為 0 到 1

28、之間的延續(xù)量，它可以實現(xiàn)從輸入到輸出的恣意非線性映射。由于權(quán)值的調(diào)整采用反向傳播Back Propagation學習算法，因此也常稱其為 BP網(wǎng)絡。B P網(wǎng)絡構(gòu)造圖如下：其算法步驟描畫如下:( 1 )設置變量和參數(shù), 其 中包括訓練樣本, 權(quán)值矩陣, 學習速率。( 2) 初始化, 輸入樣本, 提供訓練方式, 訓練網(wǎng)絡, 直到滿足學習要求。(3) 前向傳播過程: 對給定訓練模 式輸入, 計算網(wǎng)絡的輸出方式, 并與期望方式比較, 假設有誤差,那么執(zhí)行( 4 ); 否那么, 前往 ( 2 )。(4) 后向傳播過程: a . 計算同一層單元的誤差; b . 修正權(quán)值和閾值; c . 前往 ( 2) 。

29、下例為基于 BP 神經(jīng)網(wǎng)絡的英文字母識別方法能實現(xiàn)對 26 個英文字母的識別，其matlab程序如下：clear;close all;clc;alphabet,targets=prprob;R,Q=size(alphabet);S2,Q=size(targets);S1=10;P=alphabet;net=newff(minmax(P),S1,S2,logsig logsig,traingdx);net.LW2,1=net.LW2,1*0.01;net.b2=net.b2*0.01;T=targets;net.performFcn=sse;net.trainParam.goal=0.1;net

30、.trainParam.show=20;net.trainParam.epochs=5000;net.trainParam.mc=0.95;net,tr=train(net,P,T);netn=net;netn.trainParam.goal=0.6;netn.trainParam.epochs=300;T=targets targets targets targets;for pass=1:10; P=alphabet,alphabet,. (alphabet+randn(R,Q)*0.1),. (alphabet+randn(R,Q)*0.2); netn,tr=train(netn,P,

31、T);endnetn.trainParam.goal=0.1;netn.trainParam.epochs=500;netn.trainParam.show=5;P=alphabet;T=targets;netn,tr=train(netn,P,T);noise_percent=0.2;for k=1:26 noisyChar=alphabet(:,k)+randn(35,1)*noise_percent; subplot(6,9,k+floor(k/9.5)*9); plotchar(noisyChar); de_noisyChar=sim(net,noisyChar); de_noisyC

32、har=compet(de_noisyChar); answer=find(de_noisyChar=1); subplot(6,9,k+floor(k/9.5)*9+9); plotchar(alphabet(:,answer);endset(gcf,Position,10,60,900,700, color,w)運算結(jié)果如下：勝利識別有噪聲實驗結(jié)果闡明，基于 BP 神經(jīng)網(wǎng)絡的英文字母識別方法能實現(xiàn)對 26 個英文字母的準確、快速識別，并具有較強的抗干擾才干。2基于貝葉斯算法的圖像方式識別分類設計2.1貝葉斯算法簡介方式識別分類問題是對待識別的對象提取觀測值，然后根據(jù)觀測值進展分類。首先建立

33、識別對象的訓練集，其中每點的類別知 ，根據(jù)這些條件，建立判別函數(shù)，經(jīng)過現(xiàn)有的樣品估計判別函數(shù)中的參數(shù)，然后用此判別函數(shù)去對類別未知的樣品進展斷定 。2.1.1貝葉斯法那么貝葉斯法那么是對客觀判別的一種修正方法 ，是指當樣本足夠多時 ，樣本概率與總體概率近似 。普通情況下，事件A在事件B的條件下的概率，與事件 B 在事件A條件下的概率不相等 ，然而，這兩者是有確定關(guān)系的，貝葉斯法那么就是這種關(guān)系的描畫 。2.1. 2 貝葉斯決策貝葉斯法那么只是一種方法 ，是從大的方向上講，要將它細化又可以分為許多的詳細實施的決 策。假設統(tǒng)計知識完好 ，貝葉斯決策實際是一種最優(yōu)分類器。貝葉斯分類器是分類錯誤概率最

34、小或者是平均風險最小的分類器。其設計方法屬 于一種根本的統(tǒng)計分類方法。2.1.3基于最小錯誤概率的貝葉斯決策假設每個樣品屬于w1,w2類中的 一類，知兩類的先驗概率分別p(w1),P(w2),兩類的類別密 度函 數(shù)為 P ( Xw1 ),P( Xw2)。那么任給一x，判別x的類別 。由貝葉斯公式可知 由全概率公式 可知：其中M為類別數(shù)。對于兩類問題 ， 所以用后驗概率來判別22圖像分類識別系統(tǒng)實現(xiàn)2.2 .1 HSV顏色空間HSV顏色空間比較其它的顏色空間更適宜人的視覺特性 。其中包含顏色 H(Hue)、飽和度 S(Saturation)和亮度 V(Value)。顏色 H表示表示光的顏色 ，飽和度S表示光的濃度，亮度v表示光的明暗程度 。在基于內(nèi)容